klasifikasi golongan darah menggunakan pengolahan citra digital

Tugas Akhir - 2008
KLASIFIKASI GOLONGAN DARAH MENGGUNAKAN PENGOLAHAN CITRA
DIGITAL DAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION
Nugroho Romadhoni¹, Adiwijawa², Tjokorda Agung Budi Wirayuda³
¹Teknik Informatika, Fakultas Teknik Informatika, Universitas Telkom
Abstrak
Dalam bidang kedokteran, darah manusia diklasifikasikan menjadi golongan darah A, B, AB, O
dan Rhesus. Penggolongan ini berdasarkan jenis antigen yang terkandung pada membran sel
darah manusia yang disebut juga aglutinogen. Untuk mencegah terjadinya reaksi transfusi antara
darah donor dan resipien pada proses transfusi darah maka dilakukan pemeriksaan golongan
darah. Proses aglutinasi dapat diamati secara visual baik melalui mikroskop ataupun dapat
dilihat secara visual langsung oleh para ahli dibidangnya. Pada bidang kedokteran forensik dan
penanganan basis data rumah sakit secara massal, diperlukan suatu pemeriksaan golongan darah
yang akurat dan cepat.
Dalam tugas akhir ini dibuat suatu perangkat lunak yang dapat mengenali citra pola
penggumpalan golongan darah dengan menggunakan pengolahan citra digital dan jaringan
syaraf tiruan. Jaringan Syaraf Tiruan Learning Vector Quantization merupakan salah satu bentuk
Jaringan Syaraf Tiruan yang melakukan pembelajaran pada lapisan kompetitif (competitive layer
net) yang terawasi (supervised learning). Dalam proses pengklasifikasiannya metode ini memiliki
kemampuan learning yang cepat dan mempunyai tingkat keakuratan yang tinggi. Pola
penggumpalan golongan darah didapatkan dari beberapa tetes darah yang ditetesi dengan
reagen. Pola penggumpalan golongan darah ini diambil citranya untuk dianalisis. Beberapa
langkah untuk pengolahan citra adalah pengubahan citra menjadi grayscale, deteksi tepi,
segmentasi dan ekstraksi ciri. Hasil ekstraksi ciri akan digunakan sebagai inputan JST LVQ. Dari
hasil penelitian diperoleh suatu kesimpulan bahwa JST LVQ dapat mengenali pola penggumpalan
golongan darah secara cepat dan tingkat keakuratan mencapai 96,5%. Selain Parameter pada JST
LVQ, proses deteksi tepi dan ukuran citra ciri untuk inputan JST LVQ juga mempengaruhi
terhadap akurasi dan kecepatan sistem.
Kata Kunci : golongan darah, jaringan syaraf tiruan LVQ, pengolahan citra digital
Abstract
In medical, human blood is classified into blood type A, B, AB, O and Rhesus. This classification
based on antigen type implied in Human’s blood cell membrane so called agglutinogen. To
prevent the happening of transfusion reaction between donor bloods and resipien at blood
transfusion, hence we should do blood type inspection. Agglutination process can be observed
visually either through microscope or can be observed by medical expert. On medical of forensic
and to handling hospital database, required an inspection of accurate blood type and quickly.
On this project made a software which can recognize cloting pattern image of blood type by using
digital image processing and artificial neural network. Learning Vector Quantization Artificial
Neural Network is one of the type of artificial neural network which use competitive layer net for
study process. In Classification process, this method has capability of quick learning and high
accuracy. Cloting pattern image of blood type got from some blood drips dropped with reagent.
This cloting pattern image of blood type taken their image to be analysed. Some steps for image
processing is distorting of image becomes grayscale, edge detection, segmentation and extraction
of image characteristic. Result of the characteristic extraction will be applied as the input of LVQ
Artificial Neural Network. From result of research has a conclusion that LVQ Artificial Neural
Network can recognize cloting pattern image of blood type quickly and has accuracy 96,5%.
Besides Parameter in LVQ Artificial Neural Network, edge detection process and the measure of
characteristic extraction for the input of LVQ Artificial Neural Network also influences for
accuration and system speed.
Keywords : blood type, LVQ artificial neural network, digital image processing
Fakultas Teknik Informatika
Powered by TCPDF (www.tcpdf.org)
Program Studi S1 Teknik Informatika
Tugas Akhir - 2008
1. Pendahuluan
1.1
Latar Belakang
Setiap manusia yang ada didunia ini mempunyai darah yang mempunyai fungsi
vital dalam tubuh manusia baik sebagai alat sirkulasi oksigen maupun sirkulasi
nutrisi tubuh. Setiap orang mempunyai klasifikasi darah menurut golongannya.
Golongan darah manusia memiliki kemiripan dengan orang tuanya. Karena
golongan darah manusia merupakan turunan dari orang tuanya dan sering
dijadikan sebagai alat pembuktian seorang anak terhadap orang tuanya. Dalam
bidang kedokteran terdapat klasifikasi golongan darah yaitu A, B, AB, O dan
Rhesus. Penggolongan ini berdasarkan jenis antigen yang terkandung pada
membran sel darah manusia yang disebut juga aglutinogen. Sistem penggolongan
darah ini dimaksudkan untuk mencegah terjadinya reaksi transfuse (hemolisis dan
aglutinasi) ketika dilakukan transfusi darah antara donor dan resipen.
Pada sistem golongan darah A, B, AB dan O ada dua macam antigen yaitu
antigen A dan antigen B serta antigen AB. Sedangkan pada sistem golongan darah
reshus dikenal antigen C, D dan E. Akan tetapi antigen D merupakan komponen
yang paling antigenik, sehingga yang sering digunakan adalah antigen D.
Pemeriksaan golongan darah dilakukan dengan cara mencampurkan aglutinin tipe
tertentu tersebut dengan setetes darah yang ingin diketahui golongan darahnya,
kemudian akan dapat diketahui reaksi yang terjadi yaitu terjadinya proses
aglutinasi (penggumpalan) yang menunjukkan tipe golongan darahnya.
Proses aglutinasi dapat diamati secara visual baik melalui mikroskop
ataupun dapat dilihat secara visual langsung oleh para ahli dibidangnya untuk
dapat menentukan golongan darah orang tersebut. Hanya terkadang untuk proses
pengujian data dalam jumlah yang besar akan membutuhkan jumlah ahli yang
banyak pula. Dengan semakin majunya teknologi sekarang ini, telah banyak
pekerjaan manusia yang dikerjakan secara manual dapat diselesaikan melalui
proses komputerisasi sehingga meringankan pekerjaan manusia dan bersifat
praktis. Dalam klasifikasi darah tentunya juga dapat ditentukan melalui proses
komputerisasi untuk mempercepat proses pendataan golongan darah beserta data
para pemiliknya dalam kasus jumlah data yang masal. Dengan mengambil gambar
digital dari sample darah yang diberi antigen, maka melalui proses yang terdapat
dalam suatu perangkat lunak, sample darah tersebut akan dapat ditentukan
golongannya.
Yang menjadi permasalahan disini adalah bagaimana mengolah citra
sample darah tersebut untuk dapat dikenali oleh sistem pada komputer yang
mengeluarkan output berupa golongan darah A, B, AB atau O? Maka dari itu
Diperlukan penerapan ilmu dalam bidang teknologi Informatika untuk dapat
menjawab permasalahan itu. Tersedia banyak metode penyelesaian dalam bidang
teknologi Informatika untuk menyelesaikan permasalahan tersebut. Salah satu dari
metode tersebut adalah Jaringan Syaraf Tiruan. Jaringan Syaraf Tiruan Learning
Vector Quantization merupakan salah satu bentuk Jaringan Syaraf Tiruan yang
melakukan pembelajaran pada lapisan kompetitif (competitive layer net) yang
terawasi (supervised learning). Diharapkan dalam proses pengklasifikasiannya
1
Fakultas Teknik Informatika
Program Studi S1 Teknik Informatika
Tugas Akhir - 2008
metode ini memiliki kemampuan learning yang cepat dan mempunyai tingkat
keakuratan yang tinggi. Hasil pencitraan dari proses pengetesan antigen pada
sample darah akan diolah dengan pengolahan citra digital sehingga diperoleh
suatu matrik yang berfungsi sebagai inputan pada Jaringan Saraf Tiruan sehingga
memperoleh hasil yang baik.
1.2
Perumusan Masalah
Permasalahan yang dijadikan objek penelitian dan pengembangan tugas akhir ini
adalah :
1. Bagaimana menentukan golongan darah melalui citra digital.
2. Bagaimana mengimplementasikan Metode Pengolahan Citra Digital dan
Jaringan
Saraf
Tiruan
Learning
Vector
Quantization
dalam
mengklasifikasikan golongan darah manusia pada sebuah citra.
3. Bagaimana performansi dari perangkat lunak yang dibuat dilihat dari akurasi
dan kecepatan pemrosesan.
Dalam penelitian tugas akhir ini, objek penelitian dibatasi dengan ruang lingkup
sebagai berikut :
1. Golongan darah yang dideteksi adalah golongan darah manusia A, B, AB,O
dan Rhesus.
2. Jaringan Syaraf Tiruan yang digunakan hanya menggunakan Jaringan Saraf
Tiruan Learning Vector Quantization dan hanya dibandingkan dengan
pengenalan menggunakan metode pengolahan citra digital saja.
3. Input dari proses klasifikasi golongan darah ini adalah citra digital sample
darah yang mempunyai ukuran piksel data 3 M piksel dan tidak membahas
masalah pengambilan citra sample maupun proses pencampurannya larutan
antigen terhadap darah.
4. Media data darah menggunakan kaca preparat dan urutan letak antigen dalam
data darah adalah tetap dan terurut yaitu antigen A, Antigen B, Antigen AB,
dan Antigen D serta tidak saling berdempetan dan posisinya tidak mengenai
batas kaca preparat sesuai dengan yang telah dilakukan pada pihak
laboratorium pada umumnya.
5. Posisi preparat pada sample data darah harus tegak lurus.
6. Keluaran/output dari sistem adalah tipe golongan darah A, B, AB, O dan sifat
Rhesusnya.
7. Pada analisis tingkat keakuratan klasifikasi darah hanya dibandingkan oleh
hasil klasifikasi golongan darah yang dilakukan secara konvensional oleh
laboratorium.
1.3
Tujuan
Tujuan dari Tugas Akhir ini adalah sebagai berikut :
1. Mengimplementasikan Pengolahan Citra Digital dan Jaringan Syaraf Tiruan
Learning Vector Quantization untuk menentukan klasifikasi golongan darah
menggunakan citra digital.
2. Menganalisis beberapa parameter-parameter Jaringan Syaraf Tiruan Learning
Vector Quantization beserta dengan prepocessingnya dalam klasifikasi
golongan darah menggunakan citra digital.
2
Fakultas Teknik Informatika
Program Studi S1 Teknik Informatika
Tugas Akhir - 2008
3. Menguji dan menganalisis kinerja sistem dengan memperhitungkan akurasi
dan kecepatan pemrosesan.
1.4
Metodologi Penyelesaian Masalah
Dalam melaksanakan proyek akhir ini digunakan metoda sebagai berikut :
1. Studi Literatur
a. Pencarian referensi
Mencari referensi yang berhubungan dengan golongan darah manusia,
pengolahan citra digital, Jaringan Saraf Tiruan Learning Vector
Quantization, serta teknik teori dasar pengimplementasianya melalui
bahasa pemrograman.
b. Pendalaman materi
Mempelajari dan memahami materi yang berhubungan dengan Tugas
Akhir ini, seperti melakukan penelitian di laboratorium yang dalam hal ini
dilakukan di Rumah Sakit, ataupun menanyakan kepada pembimbing
Tugas Akhir maupun kepada teman-teman.
2. Analisa Perangkat Lunak
Melakukan analisa kebutuhan untuk perangkat lunak, yang meliputi penentuan
pola masukan perangkat lunak, penetapan keluaran perangkat lunak,
inisialisasi parameter dan penentuan arsitektur jaringan yang akan dirancang
pemodelannya menggunakan Data Flow Diagram.
3. Perancangan
Membuat modul-modul perangkat lunak sebagai dasar implementasi dalam
bahasa pemrograman berdasarkan pada analisa kebutuhan perangkat lunak.
4. Implementasi
Mengimplementasikan hasil dari perancangan perangkat lunak kedalam
bahasa pemrograman. Implementasi dari pembangunan Perangkat Lunak ini
dibuat dengan menggunakan MATLAB 7.1.
5. Analisa fungsi hasil implementasi
Aplikasi yang telah selesai diimplementasikan akan dievaluasi. Akan
dilakukan pengujian dari sistem yang telah dibangun pada tahap implementasi
kemudian menganalisa terhadap penggunaan metode, tingkat akurasi dari
proses klasifikasi golongan darah yang diujikan.
6. Pembuatan laporan tugas akhir dan kesimpulan akhir.
Akan dilakukan Pengambilan kesimpulan akhir dan penyusunan laporan dari
hasil pengklasifikasian golongan darah manusia dengan Perangkat Lunak
yang telah dikembangkan. Laporan dibuat sebagai dokumentasi dari Perangkat
Lunak tersebut.
3
Fakultas Teknik Informatika
Powered by TCPDF (www.tcpdf.org)
Program Studi S1 Teknik Informatika
Tugas Akhir - 2008
5. Kesimpulan dan Saran
5.1
Kesimpulan
1. Metode JST LVQ mampu melakukan proses pengenalan dengan baik
terhadap citra golongan darah dengan tingkat akurasi keberhasilan
mencapai 96,5% .
2. Pada parameter JST LVQ, penurunan nilai learning rate pada saat
melakukan proses training pada JST LVQ akan menyebabkan menurunnya
tingkat akurasi sistem.
3. Keberhasilan proses segmentasi citra pada saat preprocesing ditentukan
oleh besarnya nilai threshold pada saat proses edge detection. Pada nilai
threshold yang telah diuji yaitu 15, 20, 25, 30, dan 35. nilai threshold 25
menghasilkan keberhasilan proses segmentasi citra 100% dan tingkat
akurasi paling tinggi sebesar 95,3%. Semakin rendah nilai threshold dan
semakin tinggi nilai threshold menyebabkan keberhasilan proses
segmentasi dan tingkat akurasi sistem menurun.
4. Besarnya ukuran citra input pada JST LVQ mempengaruhi tingkat akurasi
sistem. Pada pengujian dengan menggunakan citra inputan yang berukuran
100x100, 150x150, 200x200, 250x250, 300x300, diperoleh akurasi
tertinggi sebesar 96,5% pada citra dengan ukuran 150x150.
5. Jumlah data latih yang digunakan pada proses training JST LVQ juga
mempengaruhi terhadap tingkat akurasi keberhasilan pengenalan pada
citra uji. Semakin sedikit jumlah citra latih maka tingkat akurasi sistem
akan semakin rendah.
6. Nilai range jarak minimum pada tiap kelas hasil pengujian JST LVQ
terhadap data latih dapat digunakan sebagai nilai threshold untuk
mengantisipasi citra inputan yang tidak termasuk dalam kelas klasifikasi.
Namun hal ini bisa memungkinkan terjadinya penurunan performansi
tingkat akurasi sistem dikarenakan ketidak konsistennya nilai jarak
minimum pada tiap kelas yang dihasilkan oleh proses recognize pada data
uji.
7. Proses pengenalan citra golongan darah dengan menghitung jumlah piksel
yang bernilai satu pada masing-masing segmen gumpalan darah
mempunyai akurasi pengenalan lebih tinggi dibandingkan dengan
menggunakan JST LVQ, akan tetapi waktu yang dibutuhkan untuk
pemrosesan lebih lama dibandingkan dengan menggunakan JST LVQ.
5.2
Saran
1. Diperlukan algoritma edge detection yang lebih cepat dan baik lagi
sehingga proses pengenalan dapat berlangsung cepat dan akurat.
2. Dapat digunakan algoritma segmentasi citra yang lain pada penelitian
selanjutnya untuk memaksimalkan keberhasilan pada proses preprocessing
citra inputan.
45
Fakultas Teknik Informatika
Powered by TCPDF (www.tcpdf.org)
Program Studi S1 Teknik Informatika
Tugas Akhir - 2008
Daftar Pustaka
[1] Ahmad, Usman. 2005. Pengolahan Citra Digital dan Teknik
Pemrogramannya. Yogyakarta : Graha Ilmu.
[2] Canny Edge Detector, http://homepages.inf.ed.ac.uk/rbf/HIPR2/canny.htm
Diakses tanggal 02 Maret 2007.
[3] Dharma, Eddy Muntina. 2005. Diktat Kuliah Digital Image Processing
[DIP] Fundamental. Jurusan Teknik Informatika STT Telkom Bandung.
[4] Golongan Darah, http://Pribadi.or.id. Diakses tanggal 11 Agustus 2007.
[5] Hermawan, Arief. 2006. Jaringan Syaraf Tiruan (Teori dan Aplikasinya).
Yogyakarta : Andi.
[6] Kusumadewi, Sri.2003. Artificial Intelligence (Teknik dan Perangkat
lunaknya). Yogyakarta : Graha Ilmu.
[7] Kusumadewi, Sri. 2004. Membangun Jaringan Syaraf Tiruan menggunakan
MATLAB & EXCEL LINK. Yogyakarta: Graha Ilmu.
[8] Munir, Rinaldi. 2004.Pengolahan Citra Digital Dengan Pendekatan
Algoritmik. Bandung : Informatika.
[9] Puspitaningrum,
Diyah.
2006.
Pengantar
Jaringan
Saraf
Tiruan.Yogyakarta:Andi.
[10] Rasiana, Lutche. 2006.Tugas Akhir: Implementasi Sistem Pengenalan Pelat
Nomor Mobil dengan Jaringan Syaraf Tiruan. Jurusan Teknik Informatika
STT Telkom Bandung.
[11] Siang, Jong Jek. 2005. Jaringan Syaraf Tiruan dan Pemrogramannya
dengan menggunakan MATLAB. Yogyakarta : Andi.
[12] S. Sethu Selvi and K. Indira, A Novel Character Segmentation Algorithm
for Offline Handwritten Character Recognition
[13] Sugiharto, Aris. 2006. Pemrograman GUI dengan MATLAB. Yogyakarta :
Andi.
[14] Suyanto, Pengantar Jaringan Syaraf Tiruan, Teknik Informatika Sekolah
Tinggi Teknologi Telkom .
46
Fakultas Teknik Informatika
Powered by TCPDF (www.tcpdf.org)
Program Studi S1 Teknik Informatika